Índices de Vegetación

Índices de Vegetación con Imágenes de Satélite 

Vegetation Index from Satellite Imagery

El análisis de la vegetación y la detección de los cambios en los patrones de vegetación son claves para la evaluación y el monitoreo de recursos naturales. Entonces no resulta sorpresivo que la detección y la evaluación cuantitativa de la vegetación verde es una de las aplicaciones principales de la percepción remota para el manejo de recursos ambientales y la toma de decisiones (Eastman 2003).

El empleo de los cocientes para discriminar masas de vegetales se deriva del peculiar comportamiento radiométrico de la vegetación. La signatura espectral característica de la vegetación sana muestra un claro comportamiento entre las bandas roja (0.6 a 0.7 µm) y el infrarrojo cercano (0.7 a 1.1 µm). Se produce  un notable contraste espectral entre la banda R del espectro y la del IRC, lo que permite separar la vegetación sana de otras cubiertas (Chuvieco 2008).

Figura1: Contraste espectral de la vegetación sana entre las bandas R e IRC del espectro

Cuando la vegetación sufre algún tipo de estrés, su reflectividad será inferior en el IRC, aumentando paralelamente en el rojo (al tener menor absorción clorofílica), con lo que el contraste en ambas capas será mucho menor. Los índices mas empleados son el cociente simple entre las bandas (Ci), y el denominado índice de vegetación de diferencia normalizada (NDVI) propuesto originalmente por Rouse et al (1974).

Índices de vegetación

Cociente simple (Ci)

El cociente simple (Ci) representa la relación entre las reflectividades del infrarrojo cercano y del rojo, los cuales representan las reflectividades de la banda 4 y 3 respectivamente, para el TM y ETM+ de las imágenes Landsat.

Índice de vegetación de diferencia normalizada (NDVI)

El Índice de Diferencia de Vegetación Normalizado, también conocido como Normalized Difference Vegetation Index (NDVI) (Rouse et al., 1974) por sus siglas en inglés. Es un índice usado para medir la diferencia normalizada entre las reflectancias del rojo y del infrarrojo cercano, proporcionando una medida sobre la cantidad, calidad y desarrollo de la cobertura vegetal y vigorosidad en áreas extensas.

Guyot y Gu, citados por Chuvieco (2008) usando un modelo teórico concluyen que los valores del NDVI para imágenes Landsat y SPOT calculados a partir de los ND subestiman entre 0.05 y 0.20 el valor calculado con reflectividades, siendo este error mayor con valores de NDVI inferiores a 0.5 y para las imágenes SPOT. En consecuencia, proponen una corrección que haga equivalente el cálculo con ND o reflectividades para las imágenes Landsat:

Índice de vegetación transformado (TVI)

Dering y colaboradores citados por Eastman (2003), modifica el NDVI agregando una constante de 0.5 a todos sus valores y calculando la raíz cuadrada de los resultados. La constante 0.5 se introduce para evitar operar con valores negativos del NDVI. El cálculo de la raíz cuadrada se emplea para corregir los valores del NDVI que se aproximan a una distribución Poison e introducir una distribución normal. Con estos dos elementos, el TVI toma la siguiente forma:

Índice de vegetación transformado corregido (CTVI)

Propuesto por Perry y Lautenschlager citados por Eastman (2003), apunta a corregir el TVI. Resulta obvio que agregar una constante de 0.5 a todos los valores del NDVI no siempre elimina los valores negativos porque los valores del NDVI pueden tener el rango -1 a +1. Los valores menores que -0.5 dejan pequeños valores negativos luego de la operación de adición. Entonces, el CTVI se realiza para resolver esta situación al dividir (NDVI + 0,50) por su valor absoluto y multiplicar el resultado por la raíz cuadrada del valor absoluto. Esto suprime el NDVI negativo. La ecuación se escribe:

Índice de vegetación transformado de Thian (TTVI)

Thiam, citado por Eastman (2003) indica que la imagen resultante del CTVI puede ser muy “ruidosa” debido a una sobrestimación de la cualidad verde. Él sugiere ignorar el primer término de la ecuación CTVI para obtener mejores resultados. Esto se logra simplemente sacando la raíz cuadrada de los valores absolutos del NDVI en la expresión original del TVI para tener un nuevo índice de vegetación llamado Índice de Vegetación Transformado de Thiam (TTVI).

Índice de vegetación de cociente (RVI)

Fue sugerido por Richardson y Wiegand, citados por  Eastman (2003) por tener gráficamente la misma fuerzas y debilidades que el TVI (ver arriba) mientras que resulta más simple a nivel computacional. El RVI es claramente el inverso del cociente simple estándar (RATIO) como se muestra en esta expresión:

Índice de vegetación cociente normalizado (NRVI)

Es una modificación del RVI por Baret y Guyot (1991) por el cual el resultado del RVI - 1 es normalizado sobre el RVI + 1.

Índice de vegetación ajustado al suelo (SAVI)

Entre los factores que modifican notablemente el comportamiento del NDVI figura la proporción de vegetación/suelo observada por el sensor. Los mismos valores de NDVI pueden corresponder a cubiertas vigorosas pero poco densas, o a cubiertas densas con poca vitalidad. Para incluir explícitamente el factor suelo, clave cuando se trabaja en zonas áridas, Huete y colaboradores propusieron incluir en la formula del NDVI un parámetro (L), que ajuste el índice a una reflectividad promedio de fondo (Huete, citado por Chuvieco 2008).

Índice de vegetación atmosféricamente resistente (ARVI)

Kaufman y Tanré, citados por Chuvieco (2008) proponen un ajuste del NDVI a las condiciones atmosféricas, teniendo en cuenta la diferente dispersión de los canales azul y rojo del espectro. De esta forma se define el ARVI de la siguiente manera:

Donde σ^*_IRC indica la reflectividad aparente en el infrarrojo cercano y un factor que considera la diferencia de reflectividad entre el azul y el rojo, y se define como:

Donde σ*_R e indica las reflectividades aparentes en el azul y rojo, respectivamente, y ϒ es un parámetro de calibración, que depende del tipo de atmósfera, aunque para la mayor parte de los casos es igual a 1.

Índice global de monitoreo ambiental (GEMI)

Pinty y Verstraete, citados por Chuvieco (2008) proponen un índice para reducir simultáneamente el efecto atmosférico y de cambios en el color del suelo.

Índice de vegetación mejorado (EVI)

Huete, citado por Chuvieco (2008) define el índice de vegetación mejorado como una alternativa más solida a los índices tradicionales, por ser más robusto frente a la aportación del suelo y de las influencias atmosféricas. El EVI se define como:

Donde L es la corrección al efecto del fondo del follaje y C₁ y C₂ son coeficientes para la corrección del efecto del aerosol en las bandas rojo y azul.

Índice de infrarrojo de diferencia normalizada (NDII)

Hunt y Rock, citados por Chuvieco (2008),  proponen el NDII cuando se pretenda analizar el contenido de agua en la vegetación. Al aumentar el contenido de agua en el suelo o la vegetación, disminuye paralelamente la reflectividad en el SWIR.

Índice de área foliar (LAI)

           Esta definido por la razón entre el área foliar de toda la vegetación por unidad de área utilizada por la vegetación. El LAI es un indicador de la biomasa de cada pixel de la imagen (SEBAL 2002).

Referencias:

1.       Chuvieco Salinero, E. 2008. Teledetección Ambiental. 2 ed. Barcelona, ES, Ariel. 592 p.

2.       Eastman, R. 2003. IDRISI Kilimanjaro-Guía para SIG y Procesamiento de Imágenes. Clark Labs. 312 p.

3.       Guo, J; Mason, P. 2009. Essential Image Processing and GIS for Remote Sensing. Oxford, UK. Wiley-Blackwell.462 p.

4.       Rouse, J; Haas, R; Schell, J; Deering, D; Harlan, J. (1974). Monitoring the vernal advancement and retrogradation (Greenwave effect) of natural vegetation. Greenbelt. Maryland, US. NASA/GSFC. 87 p.

5.       SEBAL (Surface Energy Balance Algorithms for Land, US). 2002. Advanced Training and Users Manual. 97 p.

6.       Schowengerdt, R. 2007. Remote Sensing-Models and Methods for Image Processing. 3 ed. California, US, Academic Press. 558 p.

7.       Steven M. de Jong; Freek D. Van der Meer. 2004. Remote Sensing Image Analysis. California, US, Springer. 370 p.


Aplicación en MATLAB:

Radiación Neta

Radiación Neta en el valle Cañete a partir de una Imagen de Satélite LANDSAT 5 TM basado en el modelo SEBAL (Surface Energy Balance Algorithms for Land)

Por Eber Risco Sence

Modelo SEBAL

Es un modelo que permite calcular la ET de áreas grandes con cualquier tipo de cobertura (vegetación, agua o descubiertas) a partir de imágenes digitales colectadas mediante sensores remotos de satélite que mide la radiación visible, termal e infrarrojo cercano.

Figura 1: Balance de Energía para calcular la ETP (Fuente: SEBAL, 2002).

Radiación Neta

SEBAL calcula la radiación neta como un balance de radiación entre la radiación neta de onda corta y la radiación neta de onda larga en la superficie y se puede apreciar en la Figura 2, donde la radiación neta es el saldo de las ganancias menos las perdidas, Usualmente Rn es positivo durante el día y negativo durante la noche. Una parte de esta energía neta es usada para la evaporación del agua del suelo, otra parte es usada para calentar el aire y el resto es almacenado en el suelo o en el cuerpo de agua (SEBAL, 2002).

Figura 2:  Radiación neta de superficie (Fuente: SEBAL, 2002).

Figura 3: Flujograma de las etapas de procesamiento del balance de radiación en la superficie terrestre.

(Fuente: SEBAL, 2002)

Resultados en el valle Cañete

Imagen LANDSAT 5 (Bandas 7-4-2) - 15 de Abril del 2008

Albedo Planetario

Albedo de Superficie

NDVI

SAVI

IAF

Emisividad de dominio espectral de la banda termal

Emisividad del dominio de la banda larga

Temperatura de Superficie

Radiación de onda larga emitida

Radiación de onda larga incidente

Radiación Neta (w/m2)

Aplicación desarrollada en MATLAB

Video de la Aplicación:

Análisis de Tendencia en series de datos con MATLAB

Análisis de Tendencia de la Precipitación Mensual en la Cuenca Alta del río Santa, Región Ancash, Perú

Por Eber Risco Sence

RESUMEN

En el presente estudio se analizan los datos pluviométricos de 29 estaciones ubicados dentro o en la cercanía de la cuenca alta del río Santa. Los datos son provenientes del SENAMHI  y de empresas privadas dedicadas a la actividad minera dentro de la cuenca. Se hace inicialmente un análisis exploratorio de los datos, un análisis de homogeneidad de los datos, posteriormente un análisis de consistencia y completación de datos faltantes o que han sido descartados, dentro de los procesos anteriores. Se hace un análisis de cambio en la media utilizando la prueba CUSUM para la identificación de cambios en la media con un nivel de significancia de 5%. Se utilizaron dos pruebas para la detección de tendencia, los cuales fueron el de Mann-Kendall y de Spearman’s-Rho, por ser los más recurrentes dentro de la literatura, se representa de manera espacial los valores obtenidos por dichas pruebas, finalmente se estima la tasa de cambio de la precipitación para un periodo decadal, la cual es representada de manera distribuida en toda la cuenca analizada. Se encuentra que la zona de la margen derecha de la cuenca presenta tendencia positiva considerable en el mes de septiembre, en las cercanías a la zona de nevados  existentes en la cuenca, además de presentar tendencia en el mes de diciembre pero no se aprecia una marcada distribución de las estaciones, sin embargo, el componente de tendencia no es significativo para la mayoría de las estaciones analizadas.

Palabras claves: precipitación mensual, tendencia, Mann-Kendall, Spearman’s-Rho, series de datos.

ÁREA DE ESTUDIO

La cuenca alta del río Santa se ubica políticamente entre las provincias de Recuay, Huaraz, Carhuaz, Yungay y Huaylas, en la región de Ancash. Geográficamente entre los meridianos 77° 5’ 15’’ y 78°0’42’’; y los paralelos 8°48’38’’ y 10°13’25’’, la cuenca alta del río Santa tiene un área de 4923.74 km² y presenta una altitud media de 4059.92 msnm. Las precipitaciones se concentran en los meses de diciembre a marzo, donde se presentan las mayores precipitaciones en la cuenca, entre los meses de junio hasta agosto se aprecia una época de estiaje en la cual existe una exigua o nula precipitación.

RESULTADOS

De acuerdo a la prueba de Mann-Kendall,  se aprecian tendencia en tres estaciones en los meses de abril, mayo, septiembre y cuatro estaciones en el mes de diciembre, de acuerdo a la distribución espacial, se puede apreciar que en los meses de abril, mayo y septiembre donde se presentan tendencias, las estaciones se encuentran ubicadas en la margen derecha del río santa, en la cuenca alta y en la cercanía a los nevados.

Figura 1: Distribución espacial de los valores z (indicador de tendencia) de la prueba de Mann-Kendall, las estaciones con tendencia aparecen de rojo, las tonalidades rojas representan tendencias positivas, las tonalidades verdes representan tendencias negativas.

De acuerdo a la prueba de Spearman’s-Rho, se aprecian tendencia en los meses de abril (3 estaciones), mayo (6 estaciones), septiembre (3 estaciones)  y cuatro estaciones en el mes de diciembre, de acuerdo a la distribución espacial, se puede apreciar que en los meses de abril (tendencia negativa), mayo y septiembre (tendencia positiva), las estaciones se encuentran ubicadas en la margen derecha del río santa, en la cuenca alta y en la cercanía a los nevados, en el mes de diciembre la distribución no parece seguir un patrón definido.

Figura 8: Distribución espacial de los valores H (indicador de tendencia) de la prueba de Spearman’s-Rho, las estaciones con tendencia aparecen de rojo, las tonalidades azules representan tendencias positivas, las tonalidades verdes representan tendencias negativas.

Dado que hay un número importante de estaciones analizadas y es de sumo interés determinar la variación del comportamiento espacial de la tendencia en la cuenca alta del río Santa, se elaboraron mapas  para  representar y estimar la tendencia mediante una tasa de cambio a nivel de décadas, la cual es determinada a partir de una ecuación de regresión lineal.

Figura 3: Mapas de tasa de cambio (mm) para la cuenca alta del río Santa, las estaciones con tendencia mediante la prueba de Mann-Kendall aparecen de rojo, en tonos azules las tasas positivas y de tonos rojos las tasas negativas.

Video de aplicación en MATLAB para la evaluación de tendencias y saltos en la media en serie de datos


Tendencia por eber23

Geometría Fractal

El término fue propuesto por el matemático Benoit Mandelbrot en el año de 1975, este tipo de geometría surge para poder representar las formas de los objetos tal como se encuentran en la naturaleza, así por ejemplo los arboles, las colinas, el litoral costero, las nubes, los relámpagos, entre otros, ya que ellos no pueden ser representados por la geometría euclidiana (de rectas y curvas), sin embargos estas formas de la naturaleza presentan una particularidad ya que su forma se va repitiendo a distinta escala dentro del mismo objeto, así por ejemplo las ramas de un árbol, reproducen a menor escala la estructura del árbol entero, esta propiedad de auto-semejanza en los objetos de la naturaleza es lo que se denomina fractal.

Hoy en día gracias a los programas computacionales se pueden representar los objetos de la naturaleza a partir de iteraciones de funciones, entre estos programas tenemos:

• Fractint.
• Ultra Fractal.
• Iterations, Flarium.
• Fractal Orbits.
• L-System.
• Crocus, Dofozon.
• Hop.
• Fractal Explorer.
• Xaos.
• LS-Sketchbook.
• Chaos Pro.
• Quat.